gio ³/$ val utaz zione dell la produttivit scienti … basic page/iv_giornata_studio_gii... ·...
TRANSCRIPT
1
Giuseppe Mascaro(1), Roberto Deidda(1), Enrique R. Vivoni(2)
1. Dipartimento di Ingegneria del Territorio, Università di Cagliari
2. Arizona State University
Tecniche di verifica di previsioni di ensemble fornite da modelli idrologici
NELL
10.00 ApePreIdro
10.30 La v
dell (Co 10.3 10.4
11.3
13.0 13.30 Col
“LA LE DISCIP
“LA VA
Dipartimen
Università
ertura dei laeside, Direttotecnica Italia
valutazione la ricerca
oordinatore: A
30 La valutPasqua
45 AbilitazivalutaziSilvio FrPierluigFelice A
30 Legge 2
IntervenGiovann
00 Discuss
lazione di la
VALUTAZPLINE IDR
VALIDAZIO
Associato di Ingegne
Veà di Bolog
Piazz
avori. Indiriztore Dipartimana
della produ
Armando Bra
tazione dei Pale Versace, U
ione scientifiione della quranzetti, Polii Claps, Polit
Arena, Univer
240, valutazi
nti programmni De Marinis
sione
avoro (*)
Gio
ZIONE DELRAULICHE
Work
ONE DEI M
OGruppo
azione Idroteeria Civile, A
enerdì 21 ogna - Comzetta Gior
PROGRA
zzi di salutomento DICA
uttività scien
ath, Universit
Progetti di RicUniversità de
ca nazionaleualità accadeitecnico di Mtecnico di Torsità Mediter
one della ric
mati: Sandro As, Goffredo L
rnata di St
LLA PRODE ED IL FIN
kshop Tem
MODELLI ID
Organizzati do Italiano di Iecnica ItalianAmbientale e
ottobre 20plesso mo
rgio Moran
AMMA DE
AM, Decano
ntifica nelle
tà di Bologna
cerca di inteella Calabria
e: verso la deemica. La situ
Milano orino rranea
erca e della
Artina, BrunoLa Loggia, Lu
udio
DUTTIVITÀNANZIAME
matico
DRAULICI
a: draulica
na - Sezione dei Material
011 ore 10onumentandi 2 - Bol
I LAVORI
o del Dipa
discipline i
a)
resse nazion, Presidente
efinizione e cuazione nell’
didattica, ab
o Brunone, Auca Ridolfi, R
À SCIENTIENTO DEL
I E IDROL
Padana i - Università
.00 ale di Santogna
rtimento, P
drauliche ed
nale del GII
condivisione area idraulic
ilitazione sci
Antonio CastoRenzo Rosso
IFICA LLA RICER
LOGICI”
à di Bologna
ta Cristina
Presidente A
d il finanzia
di criteri obieca
ientifica nazi
orani, Mauroo, Giovanni S
RCA”
a
Associazione
amento
ettivi di
onale
o Fiorentino, Seminara
e
Venerdì, 21 Ottobre 2011
2
1. I sistemi di previsione ambientale sono caratterizzati da diverse sorgenti d’incertezza, che non possono essere messe in conto con tradizionali approcci deterministici.
Osservazioni
Modelli di downscaling della pioggia QPF ad
alta risoluzione
Quantitative Precipitation Forecasts
Previsioni variabili meteo
Modelli meteo Modelli idrologici
Stato iniziale del bacino e
parametrizzazione
Sistemi di Data
Assimilation
Aggiornamento stato e
parametrizzazione del bacino
Monitoraggio in continuo
Analisi
Previsione
Piene
Esempio: catene idrometeorologiche per la previsione delle piene
Tratto da Wilks (2006)
Scopo: costruire la pdf della variabile da predire nel futuro, campionando la pdf dello stato iniziale.
2. Le tecniche di ensemble forecasting permettono di mettere in conto le fonti di incertezza attraverso un approccio di tipo Monte-Carlo.
Previsione di tipo probabilistico
Motivazione
3
1. Sistema idrometeorologico di previsione di piene di tipo ensemble:
Modello di downscaling della precipitazione
Modello idrologico distribuito
2. Tecniche di verifica degli ensemble degli idrogrammi:
Definizioni e metodi di verifica
3. Esperimenti sintetici.
4. Risultati ed implicazioni.
5. Conclusioni.
Sommario
4
1. Sistema idrometeorologico di previsione di piene di tipo ensemble:
Modello di downscaling della precipitazione
Modello idrologico distribuito
2. Tecniche di verifica degli ensemble degli idrogrammi:
Definizioni e metodi di verifica
3. Esperimenti sintetici.
4. Risultati ed implicazioni.
5. Conclusioni.
Sommario
5
Grande scala: modello meteo o satellite forniscono un volume di pioggia a grande scala (L x L x T).
L
L
Modello Meteo o Satellite
Modello Idrologico: Pioggia usata come input del modello che genera un ensemble di idrogrammi
Membri dell’Ensemble
Sistema di previsione di tipo ensemble
Piccola Scala: Downscaling usato per generare un ensemble di campi di pioggia alla piccola scala ( x x ).
6
Simula campi di pioggia omogonei con cascate multifrattali binarie.
2 parametri c and .
Richiede scarsa capacità computazionale.
Relazioni di calibrazione consentono uso operativo.
• Modello di downscaling: Space Time RAINfall (STRAIN)
Pioggia alla grande scala [mm/h]
Para
metr
o c
Deidda et al., 2004
• Modello idrologico distribuito: TIN-Based Real-Time Integrated Basin Simulator (tRIBS) (Ivanov et al. 2004; Vivoni et al., 2005)
Topografia con TIN
Grass
Forest
Urban
Virtual Gauge
Uso Suolo Portata simulata in sezioni interne
Sistema di previsione di tipo ensemble
7
1. Sistema idrometeorologico di previsione di piene di tipo ensemble:
Modello di downscaling della precipitazione
Modello idrologico distribuito
2. Tecniche di verifica degli ensemble degli idrogrammi:
Definizioni e metodi di verifica
3. Esperimenti sintetici.
4. Risultati ed implicazioni.
5. Conclusioni.
Sommario
Per verificare previsioni di tipo ensemble (o ensemble forecast) si può:
Definizioni
Trasformare la ensemble forecast in “best forecast” e
applicare metriche comuni (in continuo o selezionando un
gruppo di eventi):
Biondi et al. (2011)
tempo
Q (
m3/s
)
Osservato
Media Ensemble
Applicare tecniche sviluppate appositamente per le previsioni di ensemble (e.g.: VRH, MST).
Applicare tecniche di verifica di previsioni di tipo probabilistico:
1. E’ necessario definire un evento discreto.
Previsione di portata nelle successive T ore.
Estrai i picchi da ciascun membro dell’ensemble e costruisci la pdf.
Il picco osservato è Qobs.
2. E’ necessario considerare un numero di eventi statisticamente significativo per costruire la pdf congiunta di osservazioni (Qobs) e previsioni (Qfor).
Si valutano gli attributi della qualità della previsione: e.g.: reliability, resolution, bias, underdispersion, overdispersion.
8
Metodi di Verifica
Una proprietà auspicabile per un ensemble forecast è la consistenza (i.e. ensemble ed osservazioni sono campioni di una stessa distribuzione). E’ una misura della reliability e si può testare con il Verification Rank Histogram (Hamill & Colucci, 1996 - Wilks, 2006).
Ripetendo la procedura, si determinano M ranghi rk per M eventi.
ranks
Consistenza Uniformità Deficienze nella previsione:
Bias Positivo Bias Negativo Overdispersion Underdispersion
Per ciascun evento k da simulare
Q1, Q2 , … , QN
Qobs
Q(1), Q(2) , … , Q(N+1)
Rango rk
di Qobs
Se Q è la variabile da predire (e.g. portata al picco):
Il Continuous Ranked Probability Score (Hersbach, 2000) viene usato per testare reliability, resolution e uncertainty:
CDF obs
Q
F(Q
)
CDF ens
dQQFQFCRPS obs
2)()(
ResoUReliCRPS Qobs
Il CRPS medio tra M eventi può essere scomposto in:
9
10
a) Serie temporale di portate.
Pioggia osservata
b) Generico evento k per cui viene fatta la previsione:
t*
Metodi di Verifica
11
Un modello meteo fornisce una previsione di grande scala per le
successive T ore
Pioggia prevista
Forecast Lead Time T
t*+T t*
a) Serie temporale di portate.
b) Generico evento k per cui viene fatta la previsione:
Pioggia osservata
t*+T+Tc
Tempo di risposta Tc
Zero Padding
Metodi di Verifica
12 Tver
Un modello meteo fornisce una previsione di grande scala per le
successive T ore
Pioggia prevista
Forecast Lead Time T
t*+T t*
a) Serie temporale di portate.
b) Generico evento k per cui viene fatta la previsione:
Pioggia osservata
t*+T+Tc
Tempo di risposta Tc
Zero Padding
d) Ripetendo i punti b) e c), otteniamo M ranghi rk e possiamo costruire il VRH e calcolare il CRPS medio e i termini della decomposizione.
c) CDF della metrica Qm Estrarre la metrica Qm: volume
accumulato in m ore CRPS
Metodi di Verifica
13
1. Sistema idrometeorologico di previsione di piene di tipo ensemble:
Modello di downscaling della precipitazione
Modello idrologico distribuito
2. Tecniche di verifica degli ensemble degli idrogrammi:
Definizioni e metodi di verifica
3. Esperimenti sintetici.
4. Risultati ed implicazioni.
5. Conclusioni.
Sommario
Area di studio: Baron Fork (OK), A = 808 km2 – Estati 1997-2005
256 km
4 km
Ipotesi di invarianza di scala tra 256km-16h e 4km-15min ed esistenza di una relazione di calibrazione c = c(R).
Rel CAl
STRAIN
Pioggia alla grande scala R
Para
m c
31 Aug 1 Jun
1. Generazione di piogge e idrogrammi sintetici di caratteristiche note, assunti come “osservazioni”:
Pioggia disaggregata ad alta risoluzione
4 km – 15 min
Pioggia ad alta risoluzione “osservata” di con caratteristiche statistiche note.
Uso di STRAIN per disaggregare la pioggia di grande scala.
Simulazioni idrologiche con tRIBS usando la pioggia “osservata”.
Assunzione di calibrazione perfetta
Idrogrammi “osservati”
Database di 9 estati (Giugno-Agosto) usato per condurre previsioni idrometeorologiche.
Esperimenti sintetici
14
15
2. Selezione in modo casuale di 100 eventi idrometeorologici dal database sintetico e, per ogni evento, simulazione di tre scenari.
R
t*+T t*+T+Tc t*
tRIBS tRIBS tRIBS
Uso di STRAIN con diverse relazioni di calibrazione per generare ensemble di QPFs di tipo consistente, overdispersed e underdispersed (Mascaro et al. 2008).
QPFs CONS QPFs OVER QPFs UNDER
Zero padding Zero padding Zero padding
Calcolo del rango e del CRPS
Esperimenti sintetici
16
1. Sistema idrometeorologico di previsione di piene di tipo ensemble:
Modello di downscaling della precipitazione
Modello idrologico distribuito
2. Tecniche di verifica degli ensemble degli idrogrammi:
Definizioni e metodi di verifica
3. Esperimenti sintetici.
4. Risultati ed implicazioni.
5. Conclusioni.
Sommario
17
VRH degli ensemble di idrogrammi
CONS 343 17 737 1063
UNDER 394 65 733 1063
OVER 344 18 737 1063
Risultato atteso nel caso CONS.
Spiegazioni in merito ai casi OVER e UNDER nelle slide successive.
Metriche Q1h, Q16h and QTverh: massimo volume di deflusso accumulato in 1, 16 e Tver ore
Qm=Q1h Qm=Q16h Qm=Q32h
freq
VRH uniformi in tutti i casi:
freq
CONS QPFs
OVER QPFs
UNDER QPFs
ranks ranks ranks
freq
Risultati: VRH e CRPS
CRPS Reli Reso U
Il caso CONS è il più accurato (il termine è il più basso maggiore reliability)
CRPS per completare l’esame della qualità
delle previsioni
Reli
18
Come prevedibile, i VRH degli ensemble degli idrogrammi con QPF consistenti sono uniformi (metriche Q1h, Q16h , Q32h).
Gli eventi devono essere selezionati in modo casuale per evitare errate interpretazioni della qualità delle
previsioni di ensemble!
Sebbene l’ensemble sia consistente, se si considerano solo gli eventi più (meno) critici, otteniamo ensemble
con bias negativi (positivi)! Bias positivo Bias Negativo
Implicazione sulla selezione degli eventi da verificare:
Costruiamo due insiemi di eventi ordinando i valori osservati di Q1h e disegniamo il VRH con i ranghi corrispondenti:
hhh QQQ 1
)50(
1
)2(
1
)1( ,...,, hhh QQQ 1
)100(
1
)52(
1
)51( ,...,,
Eventi osservati meno critici
Eventi osservati più critici
Risultati: QPF consistenti
19
Possibile spiegazione: le condizioni iniziali del bacino possono introdurre un effetto di casualità nel calcolo dei ranghi, che è stato quantificato con la Pioggia Antecedente (PA) caduta nelle Tc ore antecedenti la previsione.
Bassa PA Evento da Prevedere
CONS cattura l’osservato meglio di UNDER.
Nel caso UNDER, membri dell’ensemble e osservato non sembrano appartenere alla stessa distribuzione.
Alta PA Evento da Prevedere
In entrambi i casi, ciascun membro dell’ensemble tiene memoria dello stato antecedente e raggiunge lo stesso picco.
In entrambi i casi il rango è estratto in modo casuale in [0,1].
Risultati: QPF underdispersed
20
1. Sistema idrometeorologico di previsione di piene di tipo ensemble:
Modello di downscaling della precipitazione
Modello idrologico distribuito
2. Tecniche di verifica degli ensemble degli idrogrammi:
Definizioni e metodi di verifica
3. Esperimenti sintetici.
4. Risultati ed implicazioni.
5. Conclusioni.
Sommario
21
Sono state applicate tecniche di verifica di previsioni di ensemble ad output di modelli idrologici.
L’applicazione si è basata su esperimenti sintetici in un sistema di previsione idrometeorologico.
Sono stati messi in evidenza alcuni aspetti critici che, riteniamo, devono essere messi in conto quando si interpretano i risultati di ogni verifica di sistemi di previsione basata su approcci statistici:
E’ necessario selezionare un numero significativo di eventi.
E’ necessario che gli eventi siano selezionati in modo casuale senza basarsi sul valore osservato (quindi non focalizzarsi solo su piene).
Lo stato iniziale del bacino può influenzare la valutazione delle performance del modello.
Conclusioni